医学影像AI的瓶颈在于数据而非模型。数据困于PACS，格式繁杂、难以去标识化和跨机构共享，导致研究可复现性差。联邦学习与数据湖仓可整合影像、基因组、电子病历等多模态数据，实现统一治理与关联查询。核心结论：数据基础是医学AI的真正瓶颈，先做好数据，模型自然水到渠成。

Elastic在澳大利亚首届议会AI产业展示会上指出，澳AI发展的最大瓶颈是数据而非模型。研究显示，AI表现不佳时，澳企归咎数据的概率是归咎模型的两倍。政府机构拥有大量非结构化数据，需打通并激活，数据应成为国家AI计划的独立支柱。AI安全依赖数据可见性，需完善日志记录。良好治理应基于数据可追溯性，澳应专注把AI部署好。

文章预测2027年AI将达AGI水平，2030年出现超级智能，引发智能爆炸。资本涌入但数据成瓶颈，安全防线薄弱。美国需以国家项目形式加速研发，否则可能落后于中国。若预测成真，人类面临历史性转折；若错误，仅是一场泡沫。

随着AI技术的快速发展，治理框架和评估方法难以跟上。报告指出AI能力与人类管理准备之间的差距，主流模型集中在少数企业，透明度不足。尽管AI开发资源持续增长，但模型发布数量下降，尤其在美国和中国。数据瓶颈和合成数据的有效性引发关注，AI基础设施投资增加，能源消耗和环境影响日益显著。

AI在老年病治疗中面临数据瓶颈，主要是缺乏时间轴和因果关系的数据。为了解决长寿问题，需要开展长期人体追踪实验，收集详细的生理数据，并结合动物实验与人体数据。目前的生物数据库无法满足AI学习的需求，必须加大对数据基础设施的投资，以便AI能有效应用于老年病治疗。

a16z 认为，尽管 AI 助手尚未影响 Google 搜索，但未来可能会主导消费决策查询。电商平台如 Amazon 和 Shopify 具备优势，用户对 AI 推荐的信任度较高。数据瓶颈限制了 AI 助手的发展，而支付平台如支付宝和微信支付可能更有效地分析消费数据。个人对 AI 助手的使用意愿不高，重视选择权。

优化大模型的测试计算是提升部署效率的关键。当前，改进大型语言模型的策略面临数据瓶颈，尤其在复杂任务中表现不佳。文章建议通过调整训练目标，利用现有数据和更多测试计算，训练模型学习“如何回答”问题，以提升其在未知问题上的表现。

文章以支持者与怀疑者的辩论形式，探讨AI规模化能否通向AGI。核心争议在于数据瓶颈：高质量数据可能耗尽，自我对弈与合成数据能否补足尚缺证据；基准测试多考察记忆而非长期推理，扩展效果存疑。作者估计2040年前实现AGI的概率约为70%，失败概率为30%。